一种基于混合存储器的联合训练跨域行人重识别方法技术

本发明专利技术公开了一种基于混合存储器的联合训练跨域行人重识别方法，首先进行数据集预处理，通过源域数据集对在ImageNet上预训练的ResNet

【技术实现步骤摘要】
一种基于混合存储器的联合训练跨域行人重识别方法


[0001]本专利技术属于行人重识别域，尤其针对跨域行人重识别问题，具体 涉及一种基于混合存储器的联合训练方法。

技术介绍

[0002]随着以卷积神经网络(Convolutional Neural Network，CNN)为 代表的深度学习技术相继在计算机视觉领域取得重大突破，行人重识 别领域也开始采用基于深度学习的研究方法，通过将特征提取和距离 度量结合到一个端到端的框架进行联合学习和协同优化，并且由于基 于深度学习的行人重识别模型可以通过构建多层具有非线性特性的 模型来学习更为抽象的高层特征表达，从而可以实现基于大量数据发 掘数据的隐含信息和复杂结构，使得行人重识别的性能提高到一个新 的层次。传统的基于深度学习的行人重识别大多采用监督学习的方式， 在该学习方式下输入图像都有身份的标注信息和其他辅助信息，得益 于深度神经网络模型的能力和大量标注数据集的诞生，前者主要是以 ResNet的提出为代表，后者主要是Market1501和DukeMTMC
‑
reID的 发表为标志，目前主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合存储器的联合训练跨域行人重识别方法，其特征在于，包括以下步骤：步骤1、数据集预处理；步骤2、通过源域数据集对在ImageNet上预训练的ResNet
‑
50进行预训练，获得baseline模型；步骤3、将源域数据集和目标域数据集组合形成联合数据集，通过联合数据集对baseline模型进行训练并优化；步骤4、测试模型性能。2.根据权利要求1所述的一种基于混合存储器的联合训练跨域行人重识别方法，其特征在于，步骤1具体方法如下；采用已标注的源域数据集和未标注的目标域数据集，其中源域数据集记为Ds，源域图像总数记为Ns，ID总数记为Ms，其中每个样本记为对应的标签记为目标域数据集记为Dt，源域图像总数记为Nt，其中每个样本记为对上述数据集进行数据增强，包括随机选择数据集中图片进行翻转、裁剪、擦除。3.根据权利要求2所述的一种基于混合存储器的联合训练跨域行人重识别方法，其特征在于，步骤2具体方法如下；选择在ImageNet上预训练的ResNet
‑
50作为骨干网络，输入源域数据集完成在源域的预训练，使用分类损失函数和三元组损失函数一同训练baseline模型，则总的损失函数为：其中λ
s
是用于平衡两种损失函数的超参数；分类损失函数的具体表达式如下：其中为交叉熵损失函数，F(
·
∣θ)为骨干网络，为网络输出特征；三元组损失函数的具体表达式如下其中||
·
||为欧式距离，和分别为的正负样本，m为距离余量。4.根据权利要求3所述的一种基于混合存储器的联合训练跨域行人重识别方法，其特征在于，步骤3具体方法如下；训练过程将源域数据集和目标域数据集组合形成联合数据集，记为其中对应源域数据集，对应目标域数据集，则N＝N
s
+N
t
，将联合数据
集输入到步骤(2)训练所得的baseline模型，得到对应的特征表示，记为其中其中为了达到联合训练的目标，采用混合存储器模块存储联合数据集的特征表示，并在每个epoch开始时更新混合存储器模块...

【专利技术属性】
技术研发人员：颜成钢，沈少强，孙垚棋，张继勇，李宗鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：